Voxtral TTS è il modello 4B di sintesi vocale di Mistral AI per generare audio parlato da testo e una voce di riferimento. La pagina del produttore identifica l’edizione 2603 come voxtral-mini-tts-2603, mentre la scheda dei pesi rilasciati è denominata Voxtral 4B TTS 2603. Questa voce riguarda quella release di generazione vocale, distinta da comprensione audio Voxtral Small, trascrizione e successivi modelli di input in tempo reale.
Parlato espressivo e adattamento vocale
Il modello è progettato per catturare pause, ritmo, intonazione, accento e resa emotiva della voce di riferimento. La voce agisce come un’istruzione su come dovrebbe suonare il testo; la panoramica del produttore non richiede tag separati di prosodia o emozione né una trascrizione della registrazione di riferimento. Il testo di origine determina ciò che viene detto, mentre la reference audio guida l’interpretazione.
La panoramica descrive l’adattamento vocale da appena due–tre secondi di audio. La descrizione dell’architettura tratta prompt vocali da cinque a venticinque secondi. Queste affermazioni hanno ambiti diversi: un esempio di adattamento breve non impone di usare la reference più corta possibile. Scegli parlato chiaro che rappresenti stile e accento desiderati per il risultato finale.
La scheda rilasciata include venti voci preimpostate e adattamento a nuove voci. Il flusso vocale del produttore può usare un profilo vocale salvato o una clip di riferimento singola. Salvare un profilo permette di riusare la stessa reference vocale tra richieste vocali separate, mentre una clip singola la fornisce per l’attività attuale. Un profilo e una registrazione generata sono artefatti diversi.
Lingue e interpretazione tra lingue
La release supporta inglese, francese, spagnolo, tedesco, italiano, portoghese, neerlandese, arabo e hindi, con variazione dialettale, trasferimento vocale tra lingue e mescolanza linguistica descritti dal produttore. Per il risultato migliore, la guida vocale raccomanda di abbinare lingua della reference e del testo. Il trasferimento tra lingue può preservare l’accento della reference pronunciando il testo preparato in un’altra lingua supportata.
Un’attività concreta di narrazione può usare lo stesso stile vocale per una spiegazione in diverse lingue supportate, con ogni testo preparato per l’ascoltatore previsto. Una risposta di assistente vocale può usare un copione breve e conversazionale anziché leggere ad alta voce un documento non adattato. Il modello di sintesi vocale rende le parole preparate; qualsiasi fase di traduzione o scrittura della risposta che produce quelle parole è un passaggio separato.
Preparazione del testo
La guida vocale del produttore raccomanda testo pronunciabile. Scrivi numeri e simboli nella forma da pronunciare, affinché il modello non debba scegliere tra letture possibili. Un numero può essere quantità, orario o identificatore; definisci la formulazione parlata prevista prima della sintesi. Espandi le abbreviazioni quando conta la pronuncia, usando lettere separate quando quella è la lettura desiderata.
Evita formattazione ricca, emoji e caratteri speciali che non saranno resi come contenuto parlato. Prepara frasi complete con punteggiatura e formulazione necessarie all’interpretazione. La guida raccomanda prompt sotto 300 parole per i risultati migliori. È una raccomandazione di qualità, non una lunghezza massima rigida dichiarata dell’input.
Per una spiegazione procedurale, scrivi azione e condizione in una frase comprensibile all’ascolto. Per un annuncio, metti le informazioni importanti prima dei dettagli facoltativi. Per una risposta vocale, conserva la risposta fattuale e rimuovi formattazione solo visiva o notazioni della fonte che non dovrebbero essere pronunciate. Queste preparazioni rendono il copione stesso adatto all’audio prima che la reference ne determini lo stile.
Streaming, output e durata
Il produttore documenta consegna di base e in streaming e descrive generazione nativa fino a due minuti di audio. La scheda dei pesi rilasciati elenca inoltre inferenza batch per preparare più attività vocali. Le generazioni di servizio più lunghe usano interleaving anziché trattare un segmento nativo come illimitato. Per una narrazione più lunga, prepara sezioni coerenti e mantieni la preparazione di voce e testo compatibile con il flusso di consegna che gestisce la continuazione.
La scheda rilasciata specifica audio a 24 kHz e indica formati di output WAV, PCM, FLAC, MP3, AAC e Opus. La guida del servizio vocale tratta MP3 per consegna compressa, WAV per PCM non compresso, FLAC per compressione senza perdita e PCM o Opus per streaming. Scegli un formato supportato dal flusso collegato e adatto al lettore o passaggio di elaborazione. Selezione del formato e comportamento in streaming sono distinti dall’adattamento vocale stesso.
Architettura del modello e confini pratici
L’annuncio descrive un’architettura autoregressiva con flow matching, con una base di decoder Transformer da 3,4 miliardi di parametri, un Transformer acustico da 390 milioni di parametri e un codec audio neurale da 300 milioni di parametri. Il decoder predice contenuto semantico e il componente acustico produce rappresentazione del parlato, mentre il codec gestisce l’audio. Questi componenti spiegano l’etichetta approssimativa di modello 4B; non sono lingue di input aggiuntive o un diverso modello di generazione delle risposte.
Un output concreto è la registrazione sintetizzata o il flusso audio associato al copione preparato e alla voce scelta. Mantieni tali associazioni quando generi più sezioni, affinché l’applicazione possa salvare, riprodurre o assemblare il materiale corretto. Il modello produce audio, non una trascrizione, un vettore di ricerca semantica o una risposta fattuale appena scritta.
Preserva l’edizione vocale 2603, la lingua supportata e lo stile di riferimento. Le fonti lette forniscono l’indicazione nativa di due minuti e la raccomandazione di preparazione sotto 300 parole, ma non stabiliscono un limite massimo rigido separato di caratteri del testo o una durata totale della registrazione raccordata. Usa i requisiti effettivi di testo, voce e consegna per definire l’artefatto audio finito.
", "aboutText": "Voxtral TTS è il modello 4B di sintesi vocale di Mistral AI per generare audio parlato da testo e una voce di riferimento. La pagina del produttore identifica l’edizione 2603 come voxtral-mini-tts-2603, mentre la scheda dei pesi rilasciati è denominata Voxtral 4B TTS 2603. Questa voce riguarda quella release di generazione vocale, distinta da comprensione audio Voxtral Small, trascrizione e successivi modelli di input in tempo reale.\n\nParlato espressivo e adattamento vocale\n\nIl modello è progettato per catturare pause, ritmo, intonazione, accento e resa emotiva della voce di riferimento. La voce agisce come un’istruzione su come dovrebbe suonare il testo; la panoramica del produttore non richiede tag separati di prosodia o emozione né una trascrizione della registrazione di riferimento. Il testo di origine determina ciò che viene detto, mentre la reference audio guida l’interpretazione.\n\nLa panoramica descrive l’adattamento vocale da appena due–tre secondi di audio. La descrizione dell’architettura tratta prompt vocali da cinque a venticinque secondi. Queste affermazioni hanno ambiti diversi: un esempio di adattamento breve non impone di usare la reference più corta possibile. Scegli parlato chiaro che rappresenti stile e accento desiderati per il risultato finale.\n\nLa scheda rilasciata include venti voci preimpostate e adattamento a nuove voci. Il flusso vocale del produttore può usare un profilo vocale salvato o una clip di riferimento singola. Salvare un profilo permette di riusare la stessa reference vocale tra richieste vocali separate, mentre una clip singola la fornisce per l’attività attuale. Un profilo e una registrazione generata sono artefatti diversi.\n\nLingue e interpretazione tra lingue\n\nLa release supporta inglese, francese, spagnolo, tedesco, italiano, portoghese, neerlandese, arabo e hindi, con variazione dialettale, trasferimento vocale tra lingue e mescolanza linguistica descritti dal produttore. Per il risultato migliore, la guida vocale raccomanda di abbinare lingua della reference e del testo. Il trasferimento tra lingue può preservare l’accento della reference pronunciando il testo preparato in un’altra lingua supportata.\n\nUn’attività concreta di narrazione può usare lo stesso stile vocale per una spiegazione in diverse lingue supportate, con ogni testo preparato per l’ascoltatore previsto. Una risposta di assistente vocale può usare un copione breve e conversazionale anziché leggere ad alta voce un documento non adattato. Il modello di sintesi vocale rende le parole preparate; qualsiasi fase di traduzione o scrittura della risposta che produce quelle parole è un passaggio separato.\n\nPreparazione del testo\n\nLa guida vocale del produttore raccomanda testo pronunciabile. Scrivi numeri e simboli nella forma da pronunciare, affinché il modello non debba scegliere tra letture possibili. Un numero può essere quantità, orario o identificatore; definisci la formulazione parlata prevista prima della sintesi. Espandi le abbreviazioni quando conta la pronuncia, usando lettere separate quando quella è la lettura desiderata.\n\nEvita formattazione ricca, emoji e caratteri speciali che non saranno resi come contenuto parlato. Prepara frasi complete con punteggiatura e formulazione necessarie all’interpretazione. La guida raccomanda prompt sotto 300 parole per i risultati migliori. È una raccomandazione di qualità, non una lunghezza massima rigida dichiarata dell’input.\n\nPer una spiegazione procedurale, scrivi azione e condizione in una frase comprensibile all’ascolto. Per un annuncio, metti le informazioni importanti prima dei dettagli facoltativi. Per una risposta vocale, conserva la risposta fattuale e rimuovi formattazione solo visiva o notazioni della fonte che non dovrebbero essere pronunciate. Queste preparazioni rendono il copione stesso adatto all’audio prima che la reference ne determini lo stile.\n\nStreaming, output e durata\n\nIl produttore documenta consegna di base e in streaming e descrive generazione nativa fino a due minuti di audio. La scheda dei pesi rilasciati elenca inoltre inferenza batch per preparare più attività vocali. Le generazioni di servizio più lunghe usano interleaving anziché trattare un segmento nativo come illimitato. Per una narrazione più lunga, prepara sezioni coerenti e mantieni la preparazione di voce e testo compatibile con il flusso di consegna che gestisce la continuazione.\n\nLa scheda rilasciata specifica audio a 24 kHz e indica formati di output WAV, PCM, FLAC, MP3, AAC e Opus. La guida del servizio vocale tratta MP3 per consegna compressa, WAV per PCM non compresso, FLAC per compressione senza perdita e PCM o Opus per streaming. Scegli un formato supportato dal flusso collegato e adatto al lettore o passaggio di elaborazione. Selezione del formato e comportamento in streaming sono distinti dall’adattamento vocale stesso.\n\nArchitettura del modello e confini pratici\n\nL’annuncio descrive un’architettura autoregressiva con flow matching, con una base di decoder Transformer da 3,4 miliardi di parametri, un Transformer acustico da 390 milioni di parametri e un codec audio neurale da 300 milioni di parametri. Il decoder predice contenuto semantico e il componente acustico produce rappresentazione del parlato, mentre il codec gestisce l’audio. Questi componenti spiegano l’etichetta approssimativa di modello 4B; non sono lingue di input aggiuntive o un diverso modello di generazione delle risposte.\n\nUn output concreto è la registrazione sintetizzata o il flusso audio associato al copione preparato e alla voce scelta. Mantieni tali associazioni quando generi più sezioni, affinché l’applicazione possa salvare, riprodurre o assemblare il materiale corretto. Il modello produce audio, non una trascrizione, un vettore di ricerca semantica o una risposta fattuale appena scritta.\n\nPreserva l’edizione vocale 2603, la lingua supportata e lo stile di riferimento. Le fonti lette forniscono l’indicazione nativa di due minuti e la raccomandazione di preparazione sotto 300 parole, ma non stabiliscono un limite massimo rigido separato di caratteri del testo o una durata totale della registrazione raccordata. Usa i requisiti effettivi di testo, voce e consegna per definire l’artefatto audio finito.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "f336e94db1678091aa0529c6436850ebbdb13e91544280aec95fc63be9cdc9da", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "it", "methods": [ { "html": "mistralai/voxtral-mini-tts-2603Voxtral TTS è il modello 4B di generazione vocale di Mistral AI con adattamento vocale da reference in nove lingue. Trasforma testo preparato in audio espressivo, supporta prompt vocali riutilizzabili o singoli e streaming e produce output a 24 kHz nei formati audio documentati.
Questa descrizione illustra le funzionalità del modello. Gli input, gli output e le opzioni disponibili in Ailoot per il metodo selezionato sono elencati di seguito.
Voxtral TTS è il modello 4B di sintesi vocale di Mistral AI per generare audio parlato da testo e una voce di riferimento. La pagina del produttore identifica l’edizione 2603 come voxtral-mini-tts-2603, mentre la scheda dei pesi rilasciati è denominata Voxtral 4B TTS 2603. Questa voce riguarda quella release di generazione vocale, distinta da comprensione audio Voxtral Small, trascrizione e successivi modelli di input in tempo reale.
Parlato espressivo e adattamento vocale
Il modello è progettato per catturare pause, ritmo, intonazione, accento e resa emotiva della voce di riferimento. La voce agisce come un’istruzione su come dovrebbe suonare il testo; la panoramica del produttore non richiede tag separati di prosodia o emozione né una trascrizione della registrazione di riferimento. Il testo di origine determina ciò che viene detto, mentre la reference audio guida l’interpretazione.
La panoramica descrive l’adattamento vocale da appena due–tre secondi di audio. La descrizione dell’architettura tratta prompt vocali da cinque a venticinque secondi. Queste affermazioni hanno ambiti diversi: un esempio di adattamento breve non impone di usare la reference più corta possibile. Scegli parlato chiaro che rappresenti stile e accento desiderati per il risultato finale.
La scheda rilasciata include venti voci preimpostate e adattamento a nuove voci. Il flusso vocale del produttore può usare un profilo vocale salvato o una clip di riferimento singola. Salvare un profilo permette di riusare la stessa reference vocale tra richieste vocali separate, mentre una clip singola la fornisce per l’attività attuale. Un profilo e una registrazione generata sono artefatti diversi.
Lingue e interpretazione tra lingue
La release supporta inglese, francese, spagnolo, tedesco, italiano, portoghese, neerlandese, arabo e hindi, con variazione dialettale, trasferimento vocale tra lingue e mescolanza linguistica descritti dal produttore. Per il risultato migliore, la guida vocale raccomanda di abbinare lingua della reference e del testo. Il trasferimento tra lingue può preservare l’accento della reference pronunciando il testo preparato in un’altra lingua supportata.
Un’attività concreta di narrazione può usare lo stesso stile vocale per una spiegazione in diverse lingue supportate, con ogni testo preparato per l’ascoltatore previsto. Una risposta di assistente vocale può usare un copione breve e conversazionale anziché leggere ad alta voce un documento non adattato. Il modello di sintesi vocale rende le parole preparate; qualsiasi fase di traduzione o scrittura della risposta che produce quelle parole è un passaggio separato.
Preparazione del testo
La guida vocale del produttore raccomanda testo pronunciabile. Scrivi numeri e simboli nella forma da pronunciare, affinché il modello non debba scegliere tra letture possibili. Un numero può essere quantità, orario o identificatore; definisci la formulazione parlata prevista prima della sintesi. Espandi le abbreviazioni quando conta la pronuncia, usando lettere separate quando quella è la lettura desiderata.
Evita formattazione ricca, emoji e caratteri speciali che non saranno resi come contenuto parlato. Prepara frasi complete con punteggiatura e formulazione necessarie all’interpretazione. La guida raccomanda prompt sotto 300 parole per i risultati migliori. È una raccomandazione di qualità, non una lunghezza massima rigida dichiarata dell’input.
Per una spiegazione procedurale, scrivi azione e condizione in una frase comprensibile all’ascolto. Per un annuncio, metti le informazioni importanti prima dei dettagli facoltativi. Per una risposta vocale, conserva la risposta fattuale e rimuovi formattazione solo visiva o notazioni della fonte che non dovrebbero essere pronunciate. Queste preparazioni rendono il copione stesso adatto all’audio prima che la reference ne determini lo stile.
Streaming, output e durata
Il produttore documenta consegna di base e in streaming e descrive generazione nativa fino a due minuti di audio. La scheda dei pesi rilasciati elenca inoltre inferenza batch per preparare più attività vocali. Le generazioni di servizio più lunghe usano interleaving anziché trattare un segmento nativo come illimitato. Per una narrazione più lunga, prepara sezioni coerenti e mantieni la preparazione di voce e testo compatibile con il flusso di consegna che gestisce la continuazione.
La scheda rilasciata specifica audio a 24 kHz e indica formati di output WAV, PCM, FLAC, MP3, AAC e Opus. La guida del servizio vocale tratta MP3 per consegna compressa, WAV per PCM non compresso, FLAC per compressione senza perdita e PCM o Opus per streaming. Scegli un formato supportato dal flusso collegato e adatto al lettore o passaggio di elaborazione. Selezione del formato e comportamento in streaming sono distinti dall’adattamento vocale stesso.
Architettura del modello e confini pratici
L’annuncio descrive un’architettura autoregressiva con flow matching, con una base di decoder Transformer da 3,4 miliardi di parametri, un Transformer acustico da 390 milioni di parametri e un codec audio neurale da 300 milioni di parametri. Il decoder predice contenuto semantico e il componente acustico produce rappresentazione del parlato, mentre il codec gestisce l’audio. Questi componenti spiegano l’etichetta approssimativa di modello 4B; non sono lingue di input aggiuntive o un diverso modello di generazione delle risposte.
Un output concreto è la registrazione sintetizzata o il flusso audio associato al copione preparato e alla voce scelta. Mantieni tali associazioni quando generi più sezioni, affinché l’applicazione possa salvare, riprodurre o assemblare il materiale corretto. Il modello produce audio, non una trascrizione, un vettore di ricerca semantica o una risposta fattuale appena scritta.
Preserva l’edizione vocale 2603, la lingua supportata e lo stile di riferimento. Le fonti lette forniscono l’indicazione nativa di due minuti e la raccomandazione di preparazione sotto 300 parole, ma non stabiliscono un limite massimo rigido separato di caratteri del testo o una durata totale della registrazione raccordata. Usa i requisiti effettivi di testo, voce e consegna per definire l’artefatto audio finito.
POST /v1/audio/speechtextaudio| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti mistralai/voxtral-mini-tts-2603 | Predefinito— |
Campoinput | Tipostring | RequisitoObbligatorio | Valori e limiti Lunghezza minima: 1 Unità: caratteri Unicode | Predefinito— |
Campovoice | Tipostring | RequisitoObbligatorio | Valori e limiti en_paul_sad, en_paul_neutral, en_paul_happy, en_paul_frustrated, en_paul_excited, en_paul_confident, en_paul_cheerful, en_paul_angry, gb_oliver_neutral, gb_oliver_sad, gb_oliver_excited, gb_oliver_curious, gb_oliver_confident, gb_oliver_cheerful, gb_oliver_angry, gb_jane_sarcasm, gb_jane_confused, gb_jane_shameful, gb_jane_sad, gb_jane_neutral, gb_jane_jealousy, gb_jane_frustrated, gb_jane_curious, gb_jane_confident, fr_marie_sad, fr_marie_neutral, fr_marie_happy, fr_marie_excited, fr_marie_curious, fr_marie_angry | Predefinito— |
Camporesponse_format | Tipostring | RequisitoObbligatorio | Valori e limiti mp3 | Predefinito— |
text_to_speech · Obbligatorio: input
| Parametro | Contratto |
|---|---|
Parametrocontent_type | Contrattoapplication/json |
Parametrorequired | Contrattomodel, input, voice, response_format |
Parametrovoice_ids | Contrattoen_paul_sad, en_paul_neutral, en_paul_happy, en_paul_frustrated, en_paul_excited, en_paul_confident, en_paul_cheerful, en_paul_angry, gb_oliver_neutral, gb_oliver_sad, gb_oliver_excited, gb_oliver_curious, gb_oliver_confident, gb_oliver_cheerful, gb_oliver_angry, gb_jane_sarcasm, gb_jane_confused, gb_jane_shameful, gb_jane_sad, gb_jane_neutral, gb_jane_jealousy, gb_jane_frustrated, gb_jane_curious, gb_jane_confident, fr_marie_sad, fr_marie_neutral, fr_marie_happy, fr_marie_excited, fr_marie_curious, fr_marie_angry |
Parametroresponse_format | Contrattomp3 |
Parametromax_input_characters | Contrattonull |
Parametroother_options | Contrattofalse |
Parametroinput | Contrattotesto UTF-8 esatto; conteggio dei caratteri Unicode senza normalizzazione |
Parametromaterial_types | Contrattotext |
Ciclo di vita: synchronous_result_then_owned_library
GET /v1/media/tasks/{task_id} · task_id effettivamente restituito o record della libreria multimediale
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
Seleziona la voce esatta dal profilo di questo modello.
I caratteri in ingresso e i secondi di audio sono unità di misurazione diverse.
Le tariffe non aggiungono opzioni alla richiesta. I parametri supportati sono elencati nel metodo selezionato.
Associa ogni costo alle condizioni indicate. Usa una sola tariffa per ogni insieme di configurazioni alternative.
| Configurazione | Listino delle tariffe | Quantità fatturabile | Unità di fatturazione | Costo |
|---|---|---|---|---|
| ConfigurazioneTariffe base dei token | Listino delle tariffeTariffa base | Quantità fatturabile— | Unità di fatturazione— | Costo Input · Token in input — / 1K token Output · Token in output — / 1K token Input · Lettura dalla cache — / 1K token Input · Scrittura nella cache — / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
| ConfigurazioneUltra | Listino delle tariffe— | Quantità fatturabileOgni punto di codice Unicode conta come un carattere, inclusi i caratteri Han. | Unità di fatturazioneper 1K caratteri in input | Costo Input · carattere in ingresso $0.032 per 1K caratteri in input |
I listini di riferimento del modello non modificano la selezione del metodo, i preventivi o gli addebiti. Gli addebiti attivi usano le tariffe del metodo Ailoot selezionato.
| Configurazione | Condizioni di fatturazione | Costo |
|---|---|---|
| ConfigurazioneMistral: Voxtral Mini TTS · Configurazione predefinita | Condizioni di fatturazioneConfigurazione predefinita | Costo Input · Caratteri in input 0,000032 USD per carattere in input |
Ailoot prenota un importo stimato prima di una richiesta. Dopo il risultato, addebita il costo finale in base all’utilizzo misurato. Per lo streaming, l’addebito usa il record finale di utilizzo. Come funzionano la prenotazione e l’addebito finale →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_VOICE_ID:?Choose an accepted voice ID from this exact model profile}"\nexport AILOOT_VOICE_ID\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "mistralai/voxtral-mini-tts-2603", "input": "Good afternoon! This is a short voice take."}')\nvoice=os.environ["AILOOT_VOICE_ID"]\nallowed=json.loads('["en_paul_sad", "en_paul_neutral", "en_paul_happy", "en_paul_frustrated", "en_paul_excited", "en_paul_confident", "en_paul_cheerful", "en_paul_angry", "gb_oliver_neutral", "gb_oliver_sad", "gb_oliver_excited", "gb_oliver_curious", "gb_oliver_confident", "gb_oliver_cheerful", "gb_oliver_angry", "gb_jane_sarcasm", "gb_jane_confused", "gb_jane_shameful", "gb_jane_sad", "gb_jane_neutral", "gb_jane_jealousy", "gb_jane_frustrated", "gb_jane_curious", "gb_jane_confident", "fr_marie_sad", "fr_marie_neutral", "fr_marie_happy", "fr_marie_excited", "fr_marie_curious", "fr_marie_angry"]')\nif voice not in allowed: raise SystemExit("Choose an accepted voice ID from this exact model profile")\np["voice"]=voice\np["response_format"]="mp3"\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/audio/speech \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o speech.mp3\nmp3
GET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/media/assets \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -o media-assets.json\nset -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_MEDIA_TASK_ID:?Set the actual ID returned by the response or media-library metadata}"\nexport AILOOT_MEDIA_TASK_ID\nresource_id=$(python3 -c 'import os,urllib.parse;print(urllib.parse.quote(os.environ["AILOOT_MEDIA_TASK_ID"],safe=""))')\ncurl --fail-with-body --silent --show-error "https://api.ailoot.ai/v1/media/tasks/$resource_id" \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -o media-task.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nprint(json.dumps(json.loads(Path("media-task.json").read_text())))\nPY_RESULT\nset -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_ASSET_ID:?Set the actual ID returned by the response or media-library metadata}"\nexport AILOOT_ASSET_ID\nresource_id=$(python3 -c 'import os,urllib.parse;print(urllib.parse.quote(os.environ["AILOOT_ASSET_ID"],safe=""))')\ncurl --fail-with-body --silent --show-error "https://api.ailoot.ai/v1/media/assets/$resource_id" \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -o media-asset.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nprint(json.dumps(json.loads(Path("media-asset.json").read_text())))\nPY_RESULT\nConserva ogni risposta, file e parte di contenuto restituiti per intero.
Conserva il risultato binario completo e gli header. Se vengono restituiti JSON o più output, conserva ogni elemento data e recupera ogni URL firmato effettivo della risorsa.
Conserva operation_id/X-Client-Request-ID originale per la riconciliazione senza reinvio; non esiste una rotta dedicata al polling audio.
| Campo | Tipo |
|---|---|
Campobinary audio | Tipobytes |
Camporesponse headers | Tipoheaders |
| Risposta | Condizione | Passaggio successivo |
|---|---|---|
Risposta400 · invalid_request_error | CondizioneCampi obbligatori, rappresentazione del materiale o valore del parametro non validi | Passaggio successivoCorreggi i campi indicati prima di una nuova richiesta di creazione. |
Rispostaserver_error | CondizioneLa risposta restituita indica che l'operazione o il risultato richiede una verifica | Passaggio successivoConserva l'ID originale di operazione/task restituito, gli header della richiesta e la risposta; continua a leggere l'operazione originale tramite le modalità supportate. Non reinviare la richiesta di creazione. |
Ailoot Ultra mistralai/voxtral-mini-tts-2603
Usa i percorsi dei metodi indicati sopra.